基于脑-计算机接口 (BCI) 和Grad-CAM可解释的人工智能的新方法:用于智能医疗保健的用例场景

科学领域:

• 神经电子和大脑计算机接口 (BCI).
• 智能医疗诊断和医学成像分析.

背景情况:

• 推进脑计算机接口 (BCI) 和神经元电子边界.
• 在智能医疗保健中开发新的框架,以改进与大脑相关的诊断.
• 整合透明的策略和可解释的人工智能 (XAI) 进行脑机交互.

研究的目的:

• 提出一个新的框架,将尖端技术结合起来,用于增强大脑诊断.
• 在BCI中应用基于XAI的梯度加权类激活映射 (Grad-CAM) 以提高透明度.
• 重新定义与大脑有关的疾病的医疗诊断.

主要方法:

• 使用在ImageNet上训练的Xception架构,通过转移学习从MRI数据集中提取特征.
• 使用线性支向量机 (SVM) 来对不同类别进行分类.
• 为XAI部署Grad-CAM,以生成热图,定位模型预测至关重要的特征.

主要成果:

• 拟议的模型实现了高的诊断准确度,精度,灵敏度,特异性和Dice系数.
• Xception网络有效地识别出异常的大脑组织,避免过度匹配问题.
• 通过突出显示对预测至关重要的图像区域,Grad-CAM提供了透明度.

结论:

• 基于Grad-CAM的XAI与Xception深度神经网络的集成显著影响了脑瘤诊断.
• 该模型表现出了显著的诊断准确性和高效的分类.
• 在智能医疗保健中,XAI提高了医疗专家在诊断脑瘤方面的可信度和透明度.